Multiscale methods for shape constraints in deconvolution: Confidence statements for qualitative features
反卷积中的形状约束多尺度方法：定性特征的置信陈述AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般密度反卷积与形状检测，未涉及经济分位数或分布效应，不因出现密度术语选择微观分布细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
反卷积中的形状约束多尺度方法：定性特征的置信陈述
- 研究问题
- 在反卷积导致点态密度估计速度很慢时，能否仍可靠检测未知密度的定性特征，例如同时考察各尺度上的局部单调性？
- 方法与思路
- 作者在误差密度傅里叶变换呈多项式衰减的中度病态情形下构造多尺度统计量，并采用受布朗运动连续模启发的校准。
- 材料陈述的贡献
- 摘要称，理论与模拟说明反卷积中的密度定性特征检测具有可行性，即使对应点态估计的极小极大速度很慢。
- 阅读关注点
- 应核对误差分布的已知程度、形状特征与尺度集合的定义，以及多尺度校准、同时检验保证和检测能力的条件。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；检测阈值与误差分布要求未说明，可行性不能扩展为任意病态程度下均可有效检测。
原文摘要
We derive multiscale statistics for deconvolution in order to detect qualitative features of the unknown density. An important example covered within this framework is to test for local monotonicity on all scales simultaneously. We investigate the moderately ill-posed setting, where the Fourier transform of the error density in the deconvolution model is of polynomial decay. For multiscale testing, we consider a calibration, motivated by the modulus of continuity of Brownian motion. We investigate the performance of our results from both the theoretical and simulation based point of view. A major consequence of our work is that the detection of qualitative features of a density in a deconvolution problem is a doable task, although the minimax rates for pointwise estimation are very slow.